Sarvam AI перестроила поиск по документам для своих корпоративных агентов
Агенты Sarvam AI ищут ответы по оглавлениям документов и схеме связей между понятиями одной области. В юридическом тесте они выполнили больше критериев проверки, чем при обычном поиске по фрагментам текста, и обошлись вдвое с лишним дешевле.
Индийская Sarvam AI1 перестроила то, как её корпоративные ИИ-агенты ищут ответы в документах компаний: вместо кусков текста агент получает оглавления документов и схему связей между понятиями одной области, например между банковскими картами и их условиями.
Почему это важно: в юридическом тесте Harvey LAB2 агент с новой системой выполнил 84,2% критериев, по которым юристы проверяют ответ. С обычным поиском по фрагментам он выполнил 55,1%, а задание обошлось в 28 центов вместо 64.
Детали: по оценке Sarvam, у поиска по фрагментам две слабости. Кусок текста теряет связь с документом и разделом, откуда он взят, а поиск отдаёт лишь самые похожие куски и не показывает, всё ли нашлось.
Как это работает: система состоит из двух слоёв:
- Дерево знаний: длинный документ становится папкой с коротким оглавлением, агент читает его и открывает только нужные страницы. Сканы и таблицы для дерева разбирает собственная модель компании Sarvam Vision 2.1.
- Онтология — схема того, что есть в одной области и как это связано: например, банковские карты, их наценка на обмен валюты и доступ в бизнес-залы. Отбирать и сопоставлять её записи помогает запрос к базе данных, а не многократное перечитывание документов.
В цифрах: Sarvam проверила систему на двух бенчмарках:
- В Harvey LAB было 250 заданий по 9 288 файлам из 266 дел, агент работал на открытой модели GLM 5.3.
- Одно дерево знаний подняло долю выполненных критериев до 74,4%, остальное добавила онтология.
- Токенов на задание ушло 0,86 млн вместо 1,8 млн у поиска по фрагментам.
- В банковском тесте τ-knowledge3 агент на GLM 5.2 решил 39 заданий из 97 против 38 у стандартной схемы поиска Sierra4 и потратил на 64% меньше токенов.
Но: в банковском тесте точность почти не изменилась, выигрыш там только в расходе токенов. Онтология своя для каждой области, поэтому Sarvam строит её вместе с корпоративными клиентами, по одной области за раз.
Расклад: дерево знаний уже работает в рабочем пространстве Sarvam, где агенты берут на себя разовые и регулярные задачи. Там любой пользователь может создать базу знаний, загрузить файлы и подключить её к своим агентам.
Если шире: в тот же день Cohere выпустила модели Rerank 5, которые отбирают для языковой модели нужные отрывки документов, а NVIDIA представила модели Nemotron 3.5 для поиска в таблицах и сканах.
«Главный урок этой работы — то, насколько результаты агента зависят от основы, с которой он работает», — пишут в Sarvam.